ИССЛЕДОВАНИЕ · RESEARCH · #2169
R^2Orch: рекурсивная оркестрация через self-play (arXiv:2610.22740v1)
В статье предлагается R^2Orch — парадигма рекурсивной оркестрации через self-play: внутренний цикл self-play улучшает оркестратора, внешний цикл отзываёт навыки на основе нового критерия Recursive Learnability. Введены механизм Skill Withdrawal и Proposer для выбора задач; на двенадцати наборах данных (вопрос-ответ, математика, код, интерактивные задачи) метод стабильно превосходит базовые подходы.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В статье предлагается R^2Orch — парадигма рекурсивной оркестрации через self-play: внутренний цикл self-play улучшает оркестратора, внешний цикл отзываёт навыки на основе нового критерия Recursive Learnability.
- Введены механизм Skill Withdrawal и Proposer для выбора задач; на двенадцати наборах данных (вопрос-ответ, математика, код, интерактивные задачи) метод стабильно превосходит базовые подходы.
- R^2Orch решает ключевые проблемы оркестрации (ручные учебные планы, «advantage collapse», шумная оценка) сочетанием self-play, критерия учимости и отзыва навыков, что может привести к более надёжным оркестраторам с минимальными навыками.
ПОЧЕМУ ЭТО ВАЖНО
R^2Orch решает ключевые проблемы оркестрации (ручные учебные планы, «advantage collapse», шумная оценка) сочетанием self-play, критерия учимости и отзыва навыков, что может привести к более надёжным оркестраторам с минимальными навыками.